翻訳は機械翻訳により提供されています。提供された翻訳内容と英語版の間で齟齬、不一致または矛盾がある場合、英語版が優先します。

SageMaker Model Registry に SageMaker モデルを自動的に登録する

MLflow Python または MLflow UI SDKから直接モデルをログに記録し、 SageMaker モデルレジストリに自動的に登録できます。

SageMaker Python を使用してモデルを登録する SDK

MLflow クライアントcreate_registered_model内で を使用して、選択した既存のモデル SageMaker に対応するMLflowモデルパッケージグループを に自動的に作成します。

import mlflow 
from mlflow import MlflowClient

mlflow.set_tracking_uri(arn)

client = MlflowClient()

mlflow_model_name = 'AutoRegisteredModel'
client.create_registered_model(mlflow_model_name, tags={"key1": "value1"})

mlflow.register_model() を使用して、モデルトレーニング中に SageMaker モデルレジストリにモデルを自動的に登録します。MLflow モデルを登録すると、対応するモデルパッケージグループとモデルパッケージバージョンが に作成されます SageMaker。

import mlflow.sklearn
from mlflow.models import infer_signature
from sklearn.datasets import make_regression
from sklearn.ensemble import RandomForestRegressor

mlflow.set_tracking_uri(arn)
params = {"n_estimators": 3, "random_state": 42}
X, y = make_regression(n_features=4, n_informative=2, random_state=0, shuffle=False)

# Log MLflow entities
with mlflow.start_run() as run:
    rfr = RandomForestRegressor(**params).fit(X, y)
    signature = infer_signature(X, rfr.predict(X))
    mlflow.log_params(params)
    mlflow.sklearn.log_model(rfr, artifact_path="sklearn-model", signature=signature)

model_uri = f"runs:/{run.info.run_id}/sklearn-model"
mv = mlflow.register_model(model_uri, "RandomForestRegressionModel")

print(f"Name: {mv.name}")
print(f"Version: {mv.version}")

UI MLflow を使用してモデルを登録する

または、モデル SageMaker レジストリにモデルを直接 UI MLflow に登録することもできます。UI MLflow の Models メニューで、Create Model を選択します。この方法で新しく作成されたモデルは、 SageMaker モデルレジストリに追加されます。

実験追跡中にモデルをログに記録したら、UI MLflow の実行ページに移動します。アーティファクトペインを選択し、右上隅のモデルを登録を選択して、モデルバージョンを MLflowと SageMaker Model Registry の両方に登録します。

Studio で登録済みモデルを表示する

SageMaker Studio ランディングページで、左側のナビゲーションペインのモデルを選択して、登録済みのモデルを表示します。Studio の使用開始の詳細については、「Amazon SageMaker Studio の起動」を参照してください。